CN112069989B - 一种基于svd算法校正的人脸信息采集识别系统及方法 - Google Patents

一种基于svd算法校正的人脸信息采集识别系统及方法 Download PDF

Info

Publication number
CN112069989B
CN112069989B CN202010921118.3A CN202010921118A CN112069989B CN 112069989 B CN112069989 B CN 112069989B CN 202010921118 A CN202010921118 A CN 202010921118A CN 112069989 B CN112069989 B CN 112069989B
Authority
CN
China
Prior art keywords
face
face image
feature vector
image
svd
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010921118.3A
Other languages
English (en)
Other versions
CN112069989A (zh
Inventor
谢辅友
秦嘉
安林
袁钘
张泓凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan University
Original Assignee
Foshan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Foshan University filed Critical Foshan University
Priority to CN202010921118.3A priority Critical patent/CN112069989B/zh
Publication of CN112069989A publication Critical patent/CN112069989A/zh
Application granted granted Critical
Publication of CN112069989B publication Critical patent/CN112069989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于SVD算法校正的人脸信息采集识别系统，包括人脸图像采集模块、人脸特征训练模块及人脸图像识别模块。人脸图像采集模块用于采集人脸图像并对人脸图像进行预处理，人脸特征训练模块用于提取预处理后的人脸图像的特征并对人脸图像的特征进行K‑L变换以及Gabor小波变换以获取人脸特征向量，利用SVD算法对预处理后的人脸图像进行处理以获取SVD特征向量，及根据人脸特征向量以及SVD特征向量获取新融合特征向量，以对人脸图像特征进行校正，人脸图像识别模块用于根据校正后的人脸图像的特征对人脸图像进行识别。本发明可以降低人脸图像的误识率，提高人脸图像的识别精度。相应地，本发明还提供一种基于SVD算法校正的人脸信息采集识别方法。

Description

一种基于SVD算法校正的人脸信息采集识别系统及方法
技术领域
本发明涉及人脸识别技术领域，具体而言，涉及一种基于SVD算法校正的人脸信息采集识别系统及方法。
背景技术
人脸识别是一项热门的计算机技术研究领域，其应用范围涵盖了公安刑侦、司法鉴定、访问控制、医学应用、视频监控等多个领域。人脸识别本质上是三维塑性物体在二维投影图像上的匹配问题，利用固有的生物特征来进行身份的鉴别。人脸识别的核心技术在于提取人脸图像特征的方法，而传统的提取人脸图像特征方法有几何特征法、基于PCA人脸识别方法、神经网络法等。
虽然传统的提取人脸图像特征方法能大大提高人脸识别的速度，但是由于人脸特征容易受到光照条件、视角、遮挡等外界条件的影响，其人脸特征提取稳定性较差，人脸识别误识率较高。
发明内容
基于此，为了解决传统的提取人脸图像特征方法人脸识别误识率较高的问题，本发明提供了一种基于SVD算法校正的人脸信息采集识别系统及方法，其具体技术方案如下：
一种基于SVD算法校正的人脸信息采集识别系统，其包括：
人脸图像采集模块，用于采集人脸图像并对人脸图像进行预处理；
人脸特征训练模块，用于提取预处理后的人脸图像的特征并对人脸图像的特征进行K-L变换以及Gabor小波变换以获取人脸特征向量X，利用SVD算法对预处理后的人脸图像进行处理以获取SVD特征向量Y，以及根据人脸特征向量X以及SVD特征向量Y获取新融合特征向量Z，以对人脸图像特征进行校正，其中，Z＝A*X+B*Y，A为第一变化系数，B为第二变化系数；
人脸图像识别模块，用于根据校正后的人脸图像的特征对人脸图像进行识别。
通过提取预处理后的人脸图像的特征并对人脸图像的特征进行K-L变换以及Gabor小波变换以获取人脸特征向量X，并利用SVD算法对预处理后的人脸图像进行处理以获取SVD特征向量Y，然后根据人脸特征向量X以及SVD特征向量Y获取新融合特征向量Z，以对人脸图像特征进行校正，当外界环境和人脸姿态变化不大时，使第一变化系数A大于第二变化系数B，而当外界环境和人脸姿态变化较大时，则使第二变化系数B大于第一变化系数A，可以达到弹性匹配的目的。利用SVD算法产生的特征向量对最后识别阶段的人脸图像特征进行校正，可以降低人脸图像的误识率，提高人脸图像的识别精度。
进一步地，所述人脸图像采集模块包括：
采集单元，用于采集人脸图像；
检测单元，用于检测采集到的人脸图像，以获取最优人脸搜索窗口；
预处理单元，用于将人脸图像转换成灰度图像，以及获取最优人脸搜索窗口中的人脸图像的直方图；
分割单元，用于根据灰度图像以及直方图，分割人脸图像中的人脸区域以及背景区域。
进一步地，所述人脸图像识别模块包括：
计算单元，用于计算新融合特征向量与模板人脸特征向量之间的欧式距离；
识别单元，用于根据欧氏距离对人脸图像进行识别。
相应地，本发明提供一种基于SVD算法校正的人脸信息采集识别方法，其包括如下步骤：
采集人脸图像并对人脸图像进行预处理；
提取预处理后的人脸图像的特征并对人脸图像的特征进行K-L变换以及Gabor小波变换以获取人脸特征向量X，利用SVD算法对预处理后的人脸图像进行处理以获取SVD特征向量Y；
根据人脸特征向量X以及SVD特征向量Y获取新融合特征向量Z，以对人脸图像特征进行校正，其中，Z＝A*X+B*Y，A为第一变化系数，B为第二变化系数；
根据校正后的人脸图像的特征对人脸图像进行识别。
进一步地，对人脸图像进行预处理的具体方法包括：
检测采集到的人脸图像获取最优人脸搜索窗口；
将人脸图像转换成灰度图像以及获取最优人脸搜索窗口中的人脸图像的直方图；
根据灰度图像以及直方图，分割人脸图像中的人脸区域以及背景区域。
进一步地，根据校正后的人脸图像的特征对人脸图像进行识别的具体方法包括：
计算新融合特征向量与模板人脸特征向量之间的欧式距离；
根据欧氏距离判断新融合特征向量与模板人脸特征向量的匹配程度，对人脸图像进行识别。
进一步地，检测采集到的人脸图像，以获取最优人脸搜索窗口的具体方法包括：
基于Haar-like特征对采集到的人脸图像分块并进行像素和的差运算，获取第一人脸特征值；
采用adaboost算法对同一对象训练不同的弱分类器；
使用弱分类器对采集到的人脸图像进行处理，获取第二人脸特征值；
比较第一人脸特征值和第二人脸特征值以对采集到的人脸图像进行检测，判断人脸图像是否为人脸并得到该检测的误检率；
根据误检率对弱分类器添加对应权值，组合得到强分类器；
基于Haar分类器的搜索窗口，在强分类器的检测结果下，不断扩大搜索窗口的大小直至检测到人脸，获取最优人脸搜索窗口。
进一步地，在将人脸图像转换成灰度图像前，先对人脸图像进行光补偿。
进一步地，提取预处理后的人脸图像的特征并对人脸图像的特征进行K-L变换以及Gabor小波变换以获取人脸特征向量X的具体方法包括：
提取预处理后的人脸图像的特征，获取人脸图像高维空间；
对人脸图像高维空间进行K-L变换，获取一组正交基以构成低维线性空间；
将低维线性空间中的特征向量与均具有5个尺度和8个方向的40个Gabor滤波器进行卷积，获取人脸特征向量X。
相应地，本发明还一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现上述所述的基于SVD算法校正的人脸信息采集识别方法。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
图1是本发明一实施例中一种基于SVD算法校正的人脸信息采集识别方法的整体结构示意图；
图2是本发明一实施例中一种基于SVD算法校正的人脸信息采集识别方法的整体流程示意图；
图3是本发明一实施例中一种基于SVD算法校正的人脸信息采集识别方法的对人脸图像进行预处理的流程示意图；
图4是本发明一实施例中一种基于SVD算法校正的人脸信息采集识别方法的检测采集到的人脸图像以获取最优人脸搜索窗口的流程示意图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明。应当理解的是，此处所描述的具体实施方式仅用以解释本发明，并不限定本发明的保护范围。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明中所述“第一”、“第二”不代表具体的数量及顺序，仅仅是用于名称的区分。
如图1所示，本发明一实施例中的一种基于SVD算法校正的人脸信息采集识别系统，其包括人脸图像采集模块、人脸特征训练模块以及人脸图像识别模块。
人脸图像采集模块用于采集人脸图像并对人脸图像进行预处理；人脸特征训练模块用于提取预处理后的人脸图像的特征并对人脸图像的特征进行K-L(Karhunen-LoeveTransform，霍特林变换)变换以及Gabor小波变换以获取人脸特征向量X，利用SVD(Singular Value Decomposition，奇异值分解)算法对预处理后的人脸图像进行处理以获取SVD特征向量Y，以及根据人脸特征向量X以及SVD特征向量Y获取新融合特征向量Z，以对人脸图像特征进行校正；人脸图像识别模块用于根据校正后的人脸图像的特征对人脸图像进行识别。其中，Z＝A*X+B*Y，A为第一变化系数，B为第二变化系数，第一变化系数A和第二变化系数B可以通过系统预设在处理器中，也可以根据光照度、明暗度、视觉角度或者人脸姿态进行动态调整。
通过提取预处理后的人脸图像的特征并对人脸图像的特征进行K-L变换以及Gabor小波变换以获取人脸特征向量X，并利用SVD算法对预处理后的人脸图像进行处理以获取SVD特征向量Y，然后根据人脸特征向量X以及SVD特征向量Y获取新融合特征向量Z，以对人脸图像特征进行校正，当外界环境和人脸姿态变化不大时，加强K-L变换以及Gabor小波变换获取的人脸特征向量X，使第一变化系数A大于第二变化系数B，而当外界环境和人脸姿态变化较大时，加强经过SVD算法获取的SVD特征向量Y，则使第二变化系数B大于第一变化系数A，可以达到弹性匹配的目的。
利用SVD特征的转置不变性、镜像不变性、旋转不变性以及位移不变性的特点，可以降低人脸图像采集时光照、视角和姿态等因素对人脸特征提取的干扰。而利用SVD算法产生的特征向量对最后识别阶段的人脸图像特征进行校正，可以降低人脸图像的误识率，提高人脸图像的识别精度。
另外，采用Gabor小波变换，利用其对光线变化的良好适应性以及良好时阈频阈局部化特性，可以增强人脸图像特征提取的稳定性。
在其中一个实施例中，所述人脸图像采集模块包括采集单元、检测单元、预处理单元以及分割单元。
采集单元用于采集人脸图像，检测单元用于检测采集到的人脸图像，以获取最优人脸搜索窗口。预处理单元用于将人脸图像转换成灰度图像，以及获取最优人脸搜索窗口中的人脸图像的直方图，分割单元用于根据灰度图像以及直方图，分割人脸图像中的人脸区域以及背景区域。
在其中一个实施例中，所述人脸图像识别模块包括计算单元以及识别单元。计算单元用于计算新融合特征向量与模板人脸特征向量之间的欧式距离。识别单元用于根据欧氏距离对人脸图像进行识别。
相应地，如图2所示，本发明提供一种基于SVD算法校正的人脸信息采集识别方法，其包括如下步骤：
采集人脸图像并对人脸图像进行预处理；
提取预处理后的人脸图像的特征并对人脸图像的特征进行K-L变换以及Gabor小波变换以获取人脸特征向量X，利用SVD算法对预处理后的人脸图像进行处理以获取SVD特征向量Y；
根据人脸特征向量X以及SVD特征向量Y获取新融合特征向量Z，以对人脸图像特征进行校正，其中，Z＝A*X+B*Y，A为第一变化系数，B为第二变化系数；
根据校正后的人脸图像的特征对人脸图像进行识别。
将K-L变换、Gabor小波变换以及SVD算法提取到的特征向量应用于弹性模板匹配，可以提高数据的处理效率。利用SVD算法提取到的SVD特征向量在最后的人脸识别阶段对人脸图像特征进行校正，降低了人脸图像识别的误识率，提高了人脸图像的识别精度。
在其中一个实施例中，如图3所示，对人脸图像进行预处理的具体方法包括：
检测采集到的人脸图像获取最优人脸搜索窗口；
将人脸图像转换成灰度图像以及获取最优人脸搜索窗口中的人脸图像的直方图；
根据灰度图像以及直方图，分割人脸图像中的人脸区域以及背景区域。
其中，对人脸图像的直方图进行拉伸变换，可以扩大前景和背景的灰度差别，方便分割人脸图像中的人脸区域以及背景区域。
在其中一个实施例中，根据校正后的人脸图像的特征对人脸图像进行识别的具体方法包括：
计算新融合特征向量与模板人脸特征向量之间的欧式距离；
根据欧氏距离判断新融合特征向量与模板人脸特征向量的匹配程度，对人脸图像进行识别。
在其中一个实施例中，如图4所示，检测采集到的人脸图像，以获取最优人脸搜索窗口的具体方法包括：
基于Haar-like特征对采集到的人脸图像分块并进行像素和的差运算，获取第一人脸特征值，其中，像素和的差运算即将分块后的人脸图像中白色区域像素和减去黑色区域的像素和。
采用adaboost算法对同一对象训练不同的弱分类器；
使用弱分类器对采集到的人脸图像进行处理，获取第二人脸特征值；
比较第一人脸特征值和第二人脸特征值以对采集到的人脸图像进行检测，判断人脸图像是否为人脸并得到该检测的误检率，并重复上述过程以进行迭代运算，直至误检率低于预设阈值；
根据误检率对弱分类器添加对应权值，并按照一定的策略组合得到一个强分类器；
基于Haar分类器的搜索窗口，在强分类器的检测结果下，不断扩大搜索窗口的大小直至检测到人脸，获取最优人脸搜索窗口。
其中，通过训练出多个强分类器，然后按照级联的方式把它们组合在一块，可以得到Haar分类器。基于Haar-like特征和Adaboots的级联分类器人脸图像检测技术可实现对人脸检测的精准化。
在其中一个实施例中，提取预处理后的人脸图像的特征并对人脸图像的特征进行K-L变换以及Gabor小波变换以获取人脸特征向量X的具体方法包括：
提取预处理后的人脸图像的特征，获取人脸图像高维空间；
对人脸图像高维空间进行K-L变换，获取一组正交基以构成低维线性空间；
将低维线性空间中的特征向量与均具有5个尺度和8个方向的40个Gabor滤波器进行卷积，获取人脸特征向量X。
在将人脸图像转换成灰度图像前，先对人脸图像进行光补偿。具体而言，采用光补偿方法，计算原始人脸图像三个颜色分量R、G、B的平均值，进行色彩矫正，或将RGB彩色图像转换到其它彩色模型进行亮度分量的矫正，以达到处理图像色彩偏差的目的。接着，将光补偿后的人脸图像进行灰度转换，将人脸图像转换成灰度图像，得到人脸图像的整体与局部的色度与亮度的等级分布和特征。
用灰度化预处理人脸图像，去除人脸图像颜色信息并采用K-L变换将高维图像空间变为低维线性空间，可以减少图像整体数据，提高数据处理效率。
相应地，本发明一实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现上述所述的基于SVD算法校正的人脸信息采集识别方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种基于SVD算法校正的人脸信息采集识别系统，其特征在于，包括：
人脸图像采集模块，用于采集人脸图像并对人脸图像进行预处理；
人脸特征训练模块，用于提取预处理后的人脸图像的特征并对人脸图像的特征进行K-L变换以及Gabor小波变换以获取人脸特征向量X，利用SVD算法对预处理后的人脸图像进行处理以获取SVD特征向量Y，以及根据所述人脸特征向量X以及SVD特征向量Y获取新融合特征向量Z，以对人脸图像特征进行校正；其中，Z＝A*X+B*Y，A为第一变化系数，B为第二变化系数；
人脸图像识别模块，用于根据校正后的人脸图像的特征对人脸图像进行识别；
其中，所述人脸特征训练模块包括：
人脸图像高维空间获取子模块：用于提取预处理后的人脸图像的特征，获取人脸图像高维空间；
低维线性空间构成子模块：用于对所述人脸图像高维空间进行K-L变换，获取一组正交基以构成低维线性空间；
人脸特征向量获取子模块：用于将所述低维线性空间中的特征向量与均具有5个尺度和8个方向的40个Gabor滤波器进行卷积，获取所述人脸特征向量X。
2.如权利要求1所述的一种基于SVD算法校正的人脸信息采集识别系统，其特征在于，所述人脸图像采集模块包括：
采集单元，用于采集人脸图像；
检测单元，用于检测采集到的人脸图像，以获取最优人脸搜索窗口；
预处理单元，用于将人脸图像转换成灰度图像，以及获取最优人脸搜索窗口中的人脸图像的直方图；
分割单元，用于根据所述灰度图像以及直方图，分割人脸图像中的人脸区域以及背景区域。
3.如权利要求2所述的一种基于SVD算法校正的人脸信息采集识别系统，其特征在于，所述人脸图像识别模块包括：
计算单元，用于计算新融合特征向量与模板人脸特征向量之间的欧式距离；
识别单元，用于根据欧氏距离对人脸图像进行识别。
4.一种基于SVD算法校正的人脸信息采集识别方法，其特征在于，包括如下步骤：
采集人脸图像并对人脸图像进行预处理；
提取预处理后的人脸图像的特征并对人脸图像的特征进行K-L变换以及Gabor小波变换以获取人脸特征向量X，利用SVD算法对预处理后的人脸图像进行处理以获取SVD特征向量Y；
根据人脸特征向量X以及SVD特征向量Y获取新融合特征向量Z，以对人脸图像特征进行校正，其中，Z＝A*X+B*Y，A为第一变化系数，B为第二变化系数；
根据校正后的人脸图像的特征对人脸图像进行识别；
其中，所述提取预处理后的人脸图像的特征并对人脸图像的特征进行K-L变换以及Gabor小波变换以获取人脸特征向量X的具体方法包括：
提取预处理后的人脸图像的特征，获取人脸图像高维空间；
对所述人脸图像高维空间进行K-L变换，获取一组正交基以构成低维线性空间；
将所述低维线性空间中的特征向量与均具有5个尺度和8个方向的40个Gabor滤波器进行卷积，获取所述人脸特征向量X。
5.如权利要求4所述的一种基于SVD算法校正的人脸信息采集识别方法，其特征在于，所述对人脸图像进行预处理的具体方法包括：
检测采集到的人脸图像获取最优人脸搜索窗口；
将人脸图像转换成灰度图像以及获取最优人脸搜索窗口中的人脸图像的直方图；
根据灰度图像以及直方图，分割人脸图像中的人脸区域以及背景区域。
6.如权利要求5所述的一种基于SVD算法校正的人脸信息采集识别方法，其特征在于，所述根据校正后的人脸图像的特征对人脸图像进行识别的具体方法包括：
计算新融合特征向量与模板人脸特征向量之间的欧式距离；
根据欧氏距离判断所述新融合特征向量与所述模板人脸特征向量的匹配程度，对人脸图像进行识别。
7.如权利要求6所述的一种基于SVD算法校正的人脸信息采集识别方法，其特征在于，所述检测采集到的人脸图像获取最优人脸搜索窗口的具体方法包括：
基于Haar-like特征对所述采集到的人脸图像分块并进行像素和的差运算，获取第一人脸特征值；
采用adaboost算法对同一对象训练不同的弱分类器；
使用所述弱分类器对所述采集到的人脸图像进行处理，获取第二人脸特征值；
比较所述第一人脸特征值和第二人脸特征值以对采集到的人脸图像进行检测，判断所述采集到的人脸图像是否为人脸并得到该检测的误检率；
根据所述误检率对所述弱分类器添加对应权值，组合得到强分类器；
基于Haar分类器的搜索窗口，在所述强分类器的检测结果下，不断扩大搜索窗口的大小直至检测到人脸，获取最优人脸搜索窗口。
8.如权利要求7所述的一种基于SVD算法校正的人脸信息采集识别方法，其特征在于，在将人脸图像转换成灰度图像前，先对人脸图像进行光补偿。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如权利要求4至8中任何一项所述的基于SVD算法校正的人脸信息采集识别方法。
CN202010921118.3A 2020-09-04 2020-09-04 一种基于svd算法校正的人脸信息采集识别系统及方法 Active CN112069989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010921118.3A CN112069989B (zh) 2020-09-04 2020-09-04 一种基于svd算法校正的人脸信息采集识别系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010921118.3A CN112069989B (zh) 2020-09-04 2020-09-04 一种基于svd算法校正的人脸信息采集识别系统及方法

Publications (2)

Publication Number Publication Date
CN112069989A CN112069989A (zh) 2020-12-11
CN112069989B true CN112069989B (zh) 2024-02-20

Family

ID=73665585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010921118.3A Active CN112069989B (zh) 2020-09-04 2020-09-04 一种基于svd算法校正的人脸信息采集识别系统及方法

Country Status (1)

Country Link
CN (1) CN112069989B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101079104A (zh) * 2007-06-14 2007-11-28 上海交通大学 基于切信息的人脸识别方法
CN101281598A (zh) * 2008-05-23 2008-10-08 清华大学 基于多部件多特征融合的人脸识别方法
CN101388075A (zh) * 2008-10-11 2009-03-18 大连大学 基于独立特征融合的人脸识别方法
CN108268814A (zh) * 2016-12-30 2018-07-10 广东精点数据科技股份有限公司 一种基于全局和局部特征模糊融合的人脸识别方法及装置
CN108491773A (zh) * 2018-03-12 2018-09-04 中国工商银行股份有限公司 一种识别方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011065952A1 (en) * 2009-11-30 2011-06-03 Hewlett-Packard Development Company, L.P. Face recognition apparatus and methods

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101079104A (zh) * 2007-06-14 2007-11-28 上海交通大学 基于切信息的人脸识别方法
CN101281598A (zh) * 2008-05-23 2008-10-08 清华大学 基于多部件多特征融合的人脸识别方法
CN101388075A (zh) * 2008-10-11 2009-03-18 大连大学 基于独立特征融合的人脸识别方法
CN108268814A (zh) * 2016-12-30 2018-07-10 广东精点数据科技股份有限公司 一种基于全局和局部特征模糊融合的人脸识别方法及装置
CN108491773A (zh) * 2018-03-12 2018-09-04 中国工商银行股份有限公司 一种识别方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Face Recognition using Gabor Wavelet Features with PCA and KPCA - A Comparative Study;Vinay.A 等;《3rd International Conference on Recent Trends in Computing 2015 (ICRTC-2015)》;650-659 *
K-L变换在人脸识别特征提取中的应用;张辉;《黑龙江史志》;86-88 *
Weighted Sub-Gabor for face recognition;Loris Nanni 等;《Pattern Recognition Letters》;487-492 *
一种新的掌纹特征提取方法研究;吴旭宾 等;《计算机应用研究》;第26卷(第1期);398-400 *
基于KL投影和奇异值分解相融合的人脸识别算法;李健 等;《2008年(第十届)中国科协年会论文集》;第1-5页，正文第2-3节 *
联合Gabor降维特征与奇异值特征的人脸识别;王晓华 等;《光学 精密工程》;第23卷(第10期);554-559 *

Also Published As

Publication number Publication date
CN112069989A (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
CN109389074B (zh) 一种基于人脸特征点提取的表情识别方法
JP4161659B2 (ja) 画像認識システム及びその認識方法並びにプログラム
US7912253B2 (en) Object recognition method and apparatus therefor
WO2016145940A1 (zh) 人脸认证方法和装置
US20090034791A1 (en) Image processing for person and object Re-identification
CN111144366A (zh) 一种基于联合人脸质量评估的陌生人脸聚类方法
JP5574033B2 (ja) 画像認識システム及びその認識方法並びにプログラム
CN111832405A (zh) 一种基于hog和深度残差网络的人脸识别方法
CN112101260B (zh) 一种作业人员安全带识别方法、装置、设备和存储介质
Jayaraman et al. An efficient color and texture based iris image retrieval technique
CN110598574A (zh) 智能人脸监控识别方法及系统
Lian Pedestrian detection using quaternion histograms of oriented gradients
CN111723755B (zh) 人脸识别底库的优化方法与系统
Gervei et al. 3D face recognition using modified PCA methods
Singh et al. Template matching for detection & recognition of frontal view of human face through Matlab
CN112069989B (zh) 一种基于svd算法校正的人脸信息采集识别系统及方法
Said et al. Ear segmentation in color facial images using mathematical morphology
Rahman et al. Face detection and sex identification from color images using adaboost with SVM based component classifier
Dwivedi et al. A new hybrid approach on face detection and recognition
CN110909678B (zh) 一种基于宽度学习网络特征提取的人脸识别方法及系统
KR100893086B1 (ko) 조명 변화에 강인한 얼굴 검출 방법
Lin et al. Face detection algorithm based on multi-orientation gabor filters and feature fusion
Zhang et al. Rgb color centroids segmentation (ccs) for face detection
Prinosil Blind face indexing in video
Jiuxian et al. Face detection based on self-skin segmentation and wavelet support vector machine

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant